생산성은 올랐는데, 이익은 그대로인 이유

생성형 AI 덕분에 글쓰기, 리서치, 프로그래밍이 훨씬 빨라졌지만 숨은 문제가 있습니다. 에서 AI 사용자의 80%는 개인 생산성이 올랐다고 답했지만, 영업이익이 크게 늘었다는 기업은 6%뿐이었습니다.

이 간극을 메우는 열쇠는 기업이 리스크, 부도, 손실, 유동성 압박을 더 일찍 감지하고 더 잘 관리하도록 돕는 것입니다.

기계 공학, 자동차 부품 공급망, 제조·물류가 강점인 독일과 유럽에는 특히 중요한 과제입니다. 독일경제연구소는 AI가 2034년까지 독일에서 약 4,400억 유로의 추가 부가가치를 만들 수 있다고 추산합니다.

LLM이 약한 곳, 표 형식 데이터

이 목표에는 다른 종류의 AI가 필요합니다. 언어를 다루는 데서 그치지 않고, 기업이 가장 많이 쓰는 데이터를 이해해야 하기 때문입니다. 여기서 일반적인 LLM은 한계를 보입니다.

“�鶹ԭ��의 핵심 비즈니스는 정형 데이터이고, 정형 데이터는 대개 표에 저장됩니다.”

Philipp Herzig, �鶹ԭ�� 최고기술책임자(CTO)

표 속 숫자 같은 정형 데이터는 지금 무슨 일이 일어나는지, 다음엔 무엇이 올지 알려 줍니다. 2026년 에서도 성능 좋은 LLM이 표에서 결론을 끌어내고 관계를 찾는 과제는 언어 과제보다 크게 약했습니다.

표의 값은 열, 행, 기간, 거래 사이의 관계 속에 있습니다. 표 형식 AI(Tabular AI)는 기업 시스템을 이루는 여러 테이블에 걸쳐 이런 패턴을 찾도록 설계됩니다. 예를 들어 대금을 늦게 낼 고객을 미리 찾으려면 결제·주문 이력, 배송 데이터, 외부 업종 정보가 함께 필요합니다.

모델 하나로 수백 개를 대신합니다

기존 머신러닝은 수요 예측, 대금 부도 위험, 영업 우선순위처럼 용도마다 모델을 따로 개발하고 운영해야 했습니다. 표 형식 파운데이션 모델은 이를 바꿉니다. 질문마다 새로 만들 필요 없이 범용으로 쓸 수 있어, 앞으로는 �鶹ԭ��가 이번에 고객에게 공개한 �鶹ԭ��-RPT-1.6 같은 모델 하나면 충분해질 수 있습니다.

“흥미로운 점은 이렇게 전혀 다른 활용 사례가 모두 같은 모델을 기반으로 한다는 것입니다. 원리는 늘 같습니다. 일정량의 표 형식 데이터를 모델에 넣으면 바로 예측을 시작할 수 있습니다.”

Philipp Herzig, �鶹ԭ�� 최고기술책임자(CTO)

방대한 데이터로 사전 학습된 만큼, 데이터가 적을 때 개별 모델이 놓치는 패턴도 사례를 넘나들며 찾아냅니다. 비용과 시간은 줄고, 얻는 통찰은 늘어납니다.

Prior Labs 인수, 그리고 LLM과의 조합

�鶹ԭ��는 지난 7월 Prior Labs를 인수해 기업용 AI의 다음 단계를 앞당기고 있습니다. Prior Labs의 기초 연구에 비즈니스 프로세스에 AI를 적용해 온 �鶹ԭ��의 경험을 결합하는 것입니다. Prior Labs의 오픈소스 모델 TabPFN-3, �鶹ԭ��-RPT 계열 모델, 가 만나면 기업 고유의 데이터와 맥락에서 안전하게 예측을 만들어 내는 인프라가 완성됩니다. 시계열로 학습한 파운데이션 모델도 등장하는 등 모델은 갈수록 다양해지고 있습니다.

“기존 LLM은 같은 프롬프트를 여러 번 입력해도, 예를 들어 온도 설정에 따라 다른 답이 나올 수 있습니다. 우리 모델은 다릅니다. 같은 샘플을 입력하면 같은 예측, 같은 신뢰도를 얻습니다.”

Philipp Herzig, �鶹ԭ�� 최고기술책임자(CTO)

중요한 건 LLM이냐 표 형식 모델이냐가 아니라 둘을 결합하는 것입니다. 언어와 지식은 LLM이, 정형 비즈니스 데이터 기반 예측은 표 형식 모델이 맡습니다. 제대로 쓰면 AI는 생산성 도구를 넘어 더 나은 의사결정과 더 강한 경제의 토대가 됩니다.

The post 같은 질문엔 같은 답, �鶹ԭ�� 표 형식 AI의 승부수 appeared first on �鶹ԭ�� Korea 뉴스센터.

1등 조가 항상 진다

가 있다. 한 조정 코치가 힘센 선수 8명으로 1군을, 나머지로 2군을 만들었는데, 1군이 계속 졌다. 보트가 느려질 때마다 각자 더 세게 노를 저으니 박자가 흐트러지고 저항만 커졌다. 2군은 처음부터 호흡을 맞춰 저었다.

기업의 AI 도입도 비슷하다. 개인·팀 성과를 극대화하려다 조직 전체 성과를 갉아먹는 ‘서브옵티마이제이션(부분 최적화)’이 벌어진다. 에서 응답 기업의 88%가 AI를 정기적으로 쓰지만, 전체 영업이익 개선을 체감한 응답은 39%뿐이었다. 조직 전체 차원의 ‘고성과’ 기업은 6%뿐이다. 업무강도, 맥락, 예측이라는 세 축이 얽혀 있기 때문이다.

일이 줄지 않고 늘어난다

AI는 일을 줄여줄 것 같지만 실제론 늘린다. 에 따르면 AI를 많이 쓰는 직원일수록 시키지 않아도 더 빨리, 더 많이, 더 오래 일했다. 생산성이 오른 듯해도 실은 조용히 업무량이 쌓이는 ‘워크로드 크리프’다. 결과물은 쏟아지는데 소화는 여전히 사람 몫이라, 8차선 도로가 1차선 요금소로 좁아지는 꼴이다.

�鶹ԭ��는 이를 ‘더 많은 결과물’ 대신 ‘더 정확한 답’으로 푼다. “65인치 TV 재고가 떨어질 매장은 어디고, 옮길 재고는 어디 있나?”라고 물으면 통합 업무공간 Joule Work의 AI 에이전트가 시스템을 넘나들며 답을 찾고 필요하면 직접 행동한다. 직원은 앱을 오가는 대신 판단에 집중할 수 있다.

“AI는 일하는 방식, 지식이 흐르는 방식, 의사결정 방식 자체를 바꿔야 진짜 힘을 발휘한다. AI를 회사에 들여놓는 것과, AI로 회사 전체에 가치를 만드는 것은 다른 이야기다.”

플로리안 쿤츠케(Florian Kunzke), AI 전략 부문 글로벌 디렉터, �鶹ԭ��

정답인데 회사 사정은 모른다

대부분의 AI는 세상은 알아도 회사는 모른다. 거래 기록 같은 ‘시스템 지식’과 이메일·암묵적 룰 같은 ‘문서화되지 않은 지식(암묵지)’은 다르다. AI가 시스템 지식만 보면 답은 맞아도 회사 사정과는 어긋난다. “코코넛을 어디서 사나” 같은 질문도 조달·공급망·컴플라이언스를 넘나드는 지식이 필요하다.

는 이런 암묵지를 지속적으로 모아 사람과 AI 에이전트가 함께 쓰게 한다. 에 코코넛을 물으면 “브라질에서만 소싱, 다른 곳은 예외 승인 필요”처럼 실제 회사 규칙에 맞는 답이 나온다.

숫자 예측은 다른 문제다

기업의 의사결정은 결국 예측 문제이고, 예측은 정형 데이터에 달려 있다. LLM은 정형 데이터 예측엔 약하고, 전통 머신러닝은 답이 나오기까지 몇 주가 걸려 그땐 질문이 이미 바뀌어 있곤 한다.

�鶹ԭ��는 정형 데이터 전용 예측 모델 �鶹ԭ��-RPT-1.5와 TabPFN 3를 Joule Work, �鶹ԭ�� Business Data Cloud와 연결해 이 공백을 메운다. 전문가가 아니어도 “물량을 재배치해야 할까” 같은 질문에 실제 데이터 기반 답을 바로 받는다. 예측이 조직 전체가 쓰는 기능이 되는 것이다.

AI는 일하는 방식, 지식이 흐르는 방식, 의사결정 방식 자체를 바꿔야 진짜 힘을 발휘한다. Joule Work, �鶹ԭ�� Company Memory, �鶹ԭ��-RPT-1.5/TabPFN 3는 그 방향으로 가는 �鶹ԭ��의 답이다. AI를 회사에 들여놓는 것과, AI로 회사 전체에 가치를 만드는 것은 다른 이야기다.

플로리안 쿤츠케(Florian Kunzke)는 �鶹ԭ��의 AI 전략 부문 글로벌 디렉터입니다.

The post 개인의 AI, 회사의 AI가 되려면 appeared first on �鶹ԭ�� Korea 뉴스센터.